CN116502156A - 一种换流站光ct异常状态智能辨识方法及系统 - Google Patents
一种换流站光ct异常状态智能辨识方法及系统 Download PDFInfo
- Publication number
- CN116502156A CN116502156A CN202310786232.3A CN202310786232A CN116502156A CN 116502156 A CN116502156 A CN 116502156A CN 202310786232 A CN202310786232 A CN 202310786232A CN 116502156 A CN116502156 A CN 116502156A
- Authority
- CN
- China
- Prior art keywords
- value
- light
- state
- algorithm
- optical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 209
- 238000004458 analytical method Methods 0.000 claims abstract description 168
- 238000012544 monitoring process Methods 0.000 claims abstract description 128
- 230000003287 optical effect Effects 0.000 claims abstract description 119
- 230000005856 abnormality Effects 0.000 claims description 46
- 238000003860 storage Methods 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 36
- 238000003745 diagnosis Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000013307 optical fiber Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 12
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 239000012212 insulator Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000011282 treatment Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000009365 direct transmission Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Optical Communication System (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种换流站光CT异常状态智能辨识方法及系统,其父中方法包括:基于光CT的类型,确定所述光CT的状态量;基于所述光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;基于所述光CT的监测值、预测值,确定所述光CT的状态分类;当所述光CT的状态分类为异常时,利用异常辨识识别算法,识别所述光CT的异常特征;将识别出的所述光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定所述光CT的故障类型。
Description
技术领域
本发明涉及光CT运行状态监测技术领域 ,更具体地,涉及一种换流站光CT异常状态智能辨识方法及系统。
背景技术
新型电力系统行动方案明确交直流电网的协调发展,加强电网的数字化转型,提升运行安全和效率水平。光学电流互感器(简称光CT)是直流电网的重要测量设备,在电流测量中占比超过95%,是提升直流电网安全运行的关键环节。近年直流测量装置故障中大部分为直流光CT故障,直流光CT故障多次导致滤波器跳闸、直流闭锁,严重影响了直流电网的安全稳定运行。开展换流站光CT在线监测和状态评价,对提升换流站运维效率,保障直流工程的安全稳定运行意义重大。
当前针对光CT的研究主要集中在提升产品的耐候性和可靠性方面,在换流站在运光CT的关键运行数据采集、运行状态评价、尤其是通过智能算法开展故障预测和定位等方面难以满足换流站智能运维的需要。大部分换流站中未对状态量开展系统采集,当发生故障以后,需要运维人员从装置中导出故障数据发厂家进行数据分析,存在运维人员工作量大效率低、数据量少无法准确定位故障、故障处理效率慢、无法避免停电事故的发生等种种弊端;部分换流站已开展了少量状态量数据采集,但未对数据进行综合分析及评价,数据利用效率低。部分换流站与厂家一起建设了仅支持自身厂家产品的独立监测系统,也仅仅是对数据进行读取显示,未涉及故障的分析定位及应急处理等,且存在系统闭塞、功能单薄等问题,已不适用于现有数字换流站的应用环境。
现有技术1提供一种光学直流电流互感器云监测预警技术开发方案:
1)整体架构
提出的光CT监测终端及云预警平台架构如图1所示,光CT智能监测终端由两部分构成,分别是部署在安全Ⅱ区的信息采集终端和Ⅲ区的智能分析终端。按DL/T860规范,Ⅱ区信息采集终端透过防火墙接入I区合并单元的光CT在线监测信息,并通过安全隔离装置向Ⅲ区智能分析终端同步监测数据,Ⅲ区智能分析终端将监测信息和评估预警信息远传至云预警平台,整体架构满足电力系统二次安全防护规定。光CT智能监测终端实现站级光CT实时状态监测、历史数据分析、运行状态评估、故障诊断与定位等功能。
2)光CT故障定位和预警技术方案
基于温湿度等环境因素与状态参量的类比,进行运行数据关联分析,形成告警逻辑,实现状态预警和寿命预测,并指导检修。
针对每一单体设备,给出其设备型号、参数、监测状态信息实时值,以及监测状态信号的历史统计数据与趋势图,根据阈值法与趋势法相结合的合成概率算法对设备状态进行评估。
对于同一测点,进行冗余系统之间的数据比较,也可对全站不同测点同类设备进行横向对比。当测量数据发生异常时,通过冗余系统之间的数据对比可及时发现异常并指导检修处理。根据测量装置状态参量的变化,进行设备状态与故障的关联性分析,用标准化报文给出故障诊断结论。
3)云监测预警主站平台方案
在云平台中实现光CT数据关联信息监测功能和光CT故障信息的直观展示。
站端采用告警直传的方式上传换流站光CT事件预警信息到主站,同时支持云预警平台对站端光CT原始监测信息的远程调阅,关键步骤如下:
a)子站采用告警直传的方式上传事件信息到主站;
b)主站端借鉴原有换流站事件报警信息的存储方式和显示方式,实现光CT监测信息的事件接收、存储、显示及查询功能;
c)主站端建立独立的报警数据库,存储各站事件信息;
d)主站端开发事件报警显示工具,集成显示所有换流站光CT的事件信息、故障信息,也支持按站显示,并具备事件信息检索功能;
e)主站端收到报警/紧急类的事件能够触发音响告警;
f)站端支持云预警平台对光CT原始监测信息的远程调阅技术,支撑远程专家诊断。
4)CT健康诊断和故障定位算法
如图2所示,在建立状态参量对互感器可靠性影响的模型基础上,针对单台互感器的单一状态参量,应用阈值法和趋势法相结合的合成概率评估法,评估光CT发生劣化或故障的趋势,实现故障预警和告警。
以电子式光CT的激光器驱动电流为例,设该状态参量为C,其应不大于某个阈值,量值越小说明状态越好。C小于某个阈值T时,设备状态被认为正常。随着经验的积累,该状态参量的阈值可进一步细分为不同的严重等级,分为预警(warning)和告警(alarm)两个级别。设预警值为Twrn,告警值为Talm,在不同的阈值之下,给出不同的状态。
当C达到预警条件时,表示设备存在可靠性下降的某种不确定性,应引起注意;当C达到告警条件时,表示设备极有可能存在严重缺陷,可靠性明显下降。对于后一种情形,要求尽快予以处置。其中,预警值与告警值多为经验值或统计值。之前,预警与告警都是一种定性描述,用以警示设备存在可靠性下降的风险,其中,告警比预警的风险更高。为了实现多状态参量综合分析,需要根据经验量化预警及告警条件下的可靠性指标。
阈值法主要关注状态参量的大小,忽视了状态参量的变化。对于缺陷发展较为迅速的情形,阈值法可能导致漏判。因此既要考虑状态参量当前值的大小,也要考虑状态参量的发展变化态势。仍以激光器驱动电流C为例,计算其变化速率: (1)
式(1)中为/>时间间隔内C的减少量。/>应选择合适的时间周期,以使D值尽可能真实地反映C的发展变化态势。当其变化速率高于设定阈值时,说明激光器驱动电流状态异常,需要发出预警或告警信号。
为了提高故障预警的准确度,在对单一参量预警评估方法研究的基础上,课题将基于光CT关键状态参量动态数据库开展大数据分析和数据挖掘,研究单台设备纵向历史状态参量分析、横向多台设备参量对比、运行环境温湿度参量辅助等多状态参量之间的相关性,采用大数据分析方法实现光CT的健康状态感知/故障定位。并且进一步通过数据挖掘,在海量数据中提炼出更多光CT可靠性相关的隐含信息,例如产品批次故障、家族缺陷,甚至进行寿命预测。
仍以电子式光CT的激光器驱动电流为例,应用大数据分析方法,对相同运行环境温度下的同批次多台电子式光CT激光器驱动电流参量进行横向比对,当某台互感器的驱动电流变化速度明显大于其他互感器,且与其同环境下的历史数据进行对比发现存在异常时,可判断该激光器工作不正常,发出预警与故障定位信号。与此同时,通过对光CT激光器驱动电流变化速率的大数据分析,结合激光器驱动电流和光功率对互感器可靠性影响模型,可以初步推测出电子式光CT的运行寿命。
然而,现有技术1在光CT状态评估技术和平台智能化两方面存在6个主要缺点:
1)平台软件的功能、算法迭代升级困难;
2)设备运行关键参量不明确,评价方法不完善,造成光CT运行状态评估的准确性难以保障;
3)基于大数据、人工智能的高级算法比较简单,算法的准确性和实用性不佳;
4)对于光CT的故障发生机理不清楚,故障类型多样、故障特征获取和定量困难,故障预警和定位困难;
5)系统缺少智能化决策和处置建议,无法提高运维效率;
6)运行数据、状态量信息等多源运行数据采集、分析功能不足,缺乏基于三维模型的关键状态可视化展示功能。
因此,需要一种技术,以实现对换流站光CT异常状态进行智能辨识。
发明内容
本发明技术方案提供一种换流站光CT异常状态智能辨识方法及系统,以解决如何对换流站光CT异常状态进行智能辨识的问题。
为了解决上述问题,本发明提供了一种换流站光CT异常状态智能辨识方法,所述方法包括:
基于光CT的类型,确定所述光CT的状态量;
基于所述光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;
基于所述光CT的监测值、预测值,确定所述光CT的状态分类;
当所述光CT的状态分类为异常时,利用异常辨识识别算法,识别所述光CT的异常特征;
将识别出的所述光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定所述光CT的故障类型。
优选地,还包括:
将所述光CT的监测值存储于第一存储单元,将所述预测值存储于第二存储单元;所述第一存储单元与所述第二存储单元通过接口进行数据交互。
优选地,所述第一存储单元包括:设备及测点模型接口以及实时监测数据接口;
设备及测点模型接口,所述设备及测点模型接口用于获取所述光CT的设备台帐信息以及所述光CT对应的测点模型信息;
实时监测数据接口,所述实时监测数据接口用于获取换流站公共平台的监测值;
所述第二存储单元单元包括:状态分析数据接口、诊断分析数据接口、预测分析算法接口以及异常辨识算法接口;
所述状态分析数据接口,用于向所述换流站公共平台发送所述光CT的监测值;
所述诊断分析数据接口,用于向所述换流站公共平台发送故障类型信息;
所述预测分析算法接口,用于提供所述光CT的预测分析算法;
所述异常辨识算法接口,用于向状态分析数据接口以及诊断分析数据接口提供所述光CT的异常状态的判据、异常辨识识别算法以及故障分类算法。
优选地,所述预测分析算法包括长短时记忆神经网络算法,利用长短时记忆神经网络算法,计算各状态量的预测值,包括:
将所述光CT的状态量当前时刻的监测值作为输入数据,通过长短时记忆神经网络算法的神经网络的遗忘门基于当前时刻输入数据以及上一时刻隐含层的状态,确定保留的输入数据;
通过神经网络的输入门基于当前时刻输入数据以及上一时刻隐含层的状态,确定更新的输入数据;
通过神经网络的输出门基于当前时刻输入数据、上一时刻隐含层的状态以及当前细胞状态,确定输出门的输出结果;
基于所述输出门的输出结果,确定各状态量的预测值。
优选地,所述预测分析算法包括极致提升树算法,利用极致提升树算法,计算各状态量的预测值,包括:
S1,选择预设数量的所述光CT的状态量当前时刻的监测值作为计算训练数据,将所述计算训练数据中平均目标值作为初始预测值;
S2,计算所述初始预测值与实际目标值之间的残差;
S3,基于极致提升树算法迭代训练多个决策树,训练出的决策树用于拟合当前的残差;
S4,将每个决策树的预测结果与初始预测值相加,获取各状态量的预测值;
S5,基于所述预测值,计算所述预测值与实际目标值之间的残差,重复执行步骤S2至S4,直至残差满足预设的阈值,获取各状态量的预测值。
优选地,所述基于所述光CT的监测值、预测值,确定所述光CT的状态分类,包括:
确定光CT的状态量的阈值,包括:正常值、预警值和告警值;所述光CT的状态分类为正常级、监视级、预警级和告警级;其中,正常级表示光CT的状态分类为正常,监视级、预警级和告警级表示光CT的状态分类为异常;
当所述光CT的监测值和预测值都在正常值范围内并且没有超过预警值和告警值时,所述光CT的状态分类为正常级;
当所述光CT的监测值在正常值范围内,所述光CT的预测值达到预警值或告警值时,所述光CT的状态分类为监视级;
当所述光CT的监测值已超过预警值但未达到所述告警值,所述光CT的状态分类为预警级;
当所述光CT的监测值已超过所述告警值,所述光CT的状态分类为告警级。
优选地,所述光CT的异常特征,包括:状态量的阈值超限异常、状态量的变化率异常以及预测值超限异常。
优选地,当所述光CT的状态分类为异常时,还包括:
基于部件级三维模型对所述光CT的故障进行定位;所述部件级三维模型包括:光纤传感环、光纤绝缘子以及电子机箱。
基于本发明的另一方面,本发明提供一种换流站光CT异常状态智能辨识系统,所述系统包括:
初始单元,用于基于光CT的类型,确定所述光CT的状态量;
预测单元,用于基于所述光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;
分类单元,用于基于所述光CT的监测值、预测值,确定所述光CT的状态分类;
识别单元,用于当所述光CT的状态分类为异常时,利用异常辨识识别算法,识别所述光CT的异常特征;
确定单元,用于将识别出的所述光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定所述光CT的故障类型。
优选地,还包括建立单元,用于:
将所述光CT的监测值存储于第一存储单元,将所述预测值存储于第二存储单元;所述第一存储单元与所述第二存储单元通过接口进行数据交互。
优选地,所述第一存储单元包括:设备及测点模型接口以及实时监测数据接口;
设备及测点模型接口,所述设备及测点模型接口用于获取所述光CT的设备台帐信息以及所述光CT对应的测点模型信息;
实时监测数据接口,所述实时监测数据接口用于获取换流站公共平台的监测值;
所述第二存储单元单元包括:状态分析数据接口、诊断分析数据接口、预测分析算法接口以及异常辨识算法接口;
所述状态分析数据接口,用于向所述换流站公共平台发送所述光CT的监测值;
所述诊断分析数据接口,用于向所述换流站公共平台发送故障类型信息;
所述预测分析算法接口,用于提供所述光CT的预测分析算法;
所述异常辨识算法接口,用于向状态分析数据接口以及诊断分析数据接口提供所述光CT的异常状态的判据、异常辨识识别算法以及故障分类算法。
优选地,所述预测分析算法包括长短时记忆神经网络算法,利用长短时记忆神经网络算法,计算各状态量的预测值,包括:
将所述光CT的状态量当前时刻的监测值作为输入数据,通过长短时记忆神经网络算法的神经网络的遗忘门基于当前时刻输入数据以及上一时刻隐含层的状态,确定保留的输入数据;
通过神经网络的输入门基于当前时刻输入数据以及上一时刻隐含层的状态,确定更新的输入数据;
通过神经网络的输出门基于当前时刻输入数据、上一时刻隐含层的状态以及当前细胞状态,确定输出门的输出结果;
基于所述输出门的输出结果,确定各状态量的预测值。
优选地,所述预测分析算法包括极致提升树算法,利用极致提升树算法,计算各状态量的预测值,包括:
S1,选择预设数量的所述光CT的状态量当前时刻的监测值作为计算训练数据,将所述计算训练数据中平均目标值作为初始预测值;
S2,计算所述初始预测值与实际目标值之间的残差;
S3,基于极致提升树算法迭代训练多个决策树,训练出的决策树用于拟合当前的残差;
S4,将每个决策树的预测结果与初始预测值相加,获取各状态量的预测值;
S5,基于所述预测值,计算所述预测值与实际目标值之间的残差,重复执行步骤S2至S4,直至残差满足预设的阈值,获取各状态量的预测值。
优选地,所述分类单元,用于基于所述光CT的监测值、预测值,确定所述光CT的状态分类,还用于:
确定光CT的状态量的阈值,包括:正常值、预警值和告警值;所述光CT的状态分类为正常级、监视级、预警级和告警级;其中,正常级表示光CT的状态分类为正常,监视级、预警级和告警级表示光CT的状态分类为异常;
当所述光CT的监测值和预测值都在正常值范围内并且没有超过预警值和告警值时,所述光CT的状态分类为正常级;
当所述光CT的监测值在正常值范围内,所述光CT的预测值达到预警值或告警值时,所述光CT的状态分类为监视级;
当所述光CT的监测值已超过预警值但未达到所述告警值,所述光CT的状态分类为预警级;
当所述光CT的监测值已超过所述告警值,所述光CT的状态分类为告警级。
优选地,所述光CT的异常特征,包括:状态量的阈值超限异常、状态量的变化率异常以及预测值超限异常。
优选地,当所述光CT的状态分类为异常时,还包括:
基于部件级三维模型对所述光CT的故障进行定位;所述部件级三维模型包括:光纤传感环、光纤绝缘子以及电子机箱。
基于本发明的另一方面,本发明提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于执行一种换流站光CT异常状态智能辨识方法。
基于本发明的另一方面,本发明提供一种电子设备,其特征在于,所述电子设备包括:处理器和存储器;其中,
所述存储器,用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现一种换流站光CT异常状态智能辨识方法。
本发明技术方案提供了一种换流站光CT异常状态智能辨识方法及系统,其中方法包括:基于光CT的类型,确定光CT的状态量;基于光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;基于光CT的监测值、预测值,确定光CT的状态分类;当光CT的状态分类为异常时,利用异常辨识识别算法,识别光CT的异常特征;将识别出的光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定光CT的故障类型。本发明技术方案利用积累的大量检测数据、运行数据及故障数据,提出基于预测分析算法,预测分析算法的准确性和有效性方面显著提升,解决故障类型研判和定位难题,对提升换流站运维效率,保障直流工程的安全稳定运行意义重大。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据现有实施方式的光CT监测终端及云预警平台架构示意图;
图2为根据现有实施方式的基于大数据分析的光CT健康诊断和故障定位算法流程图;
图3为根据本发明优选实施方式的一种换流站光CT异常状态智能辨识方法流程图;
图4为根据本发明优选实施方式的换流站光CT异常状态智能辨识系统结构图;
图5为根据本发明优选实施方式的数据交互接口示意图;
图6为根据本发明优选实施方式的前后端分离数据架构示意图;
图7为根据本发明优选实施方式的光CT运行状态智能预测算法示意图;
图8为根据本发明优选实施方式的一种换流站光CT异常状态智能辨识系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图3为根据本发明优选实施方式的一种换流站光CT异常状态智能辨识方法流程图。本发明提出一种换流站光CT异常状态智能辨识方法,解决的主要技术问题及目的如下:
1)优化软件平台数据架构,优化响应速度,提出便捷的软件平台迭代升级方案;
2)根据光CT类型,明确用于光CT异常状态辨识的关键状态量和运行数据;
3)提出基于光CT运行多源数据的智能分析算法,解决光CT运行状态预测难题;
4)提出光CT异常状态特征辨识方法,实现异常预警、故障分类及定位;
5)提出针对光CT运行状态的差异化运维策略和故障应急处置方法;
6)提出用于展示光CT运行状态的关键数据、图表,建立基于三维模型的可视化展示方法。
本发明提出的一种流站光CT异常状态智能辨识方法,应用计量所近年来在光CT故障机理理论研究成果,以及支撑设备部开展的在运光CT的故障定位研判、优化提升和处置工作的实践经验,LSTM和XGBoost的运行状态智能预警算法,算法准确性和有效性方面显著提升,解决故障类型研判和定位难题,对提升换流站运维效率,保障直流工程的安全稳定运行意义重大。
如图3所示,本发明提供一种换流站光CT异常状态智能辨识方法,方法包括:
步骤101:基于光CT的类型,确定光CT的状态量;
本发明首先进行光CT关键状态量及运行数据采集。本发明根据光CT的技术路线和生产厂家采集关键状态量,例如,A公司CT采集LED驱动电流、半导体制冷器温度、调制器驱动电压、输入电压峰值、输入电压平均偏差、二次谐波电压6种状态量,以及一次电流和环境温度;B公司纯光CT采集光源驱动电流、光源温度、光强水平、光路温度和半波电压5种状态量,以及一次电流和环境温度;B公司电子式光CT采集激光器驱动电流、激光器温度和远端模块温度3种状态量,以及一次电流和环境温度;ABB电子式光CT采集激光电流、数据电平、板卡温度和远端模块温度4种状态量,以及一次电流和环境温度。
步骤102:基于光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;
优选地,预测分析算法包括长短时记忆神经网络算法,利用长短时记忆神经网络算法,计算各状态量的预测值,包括:
将光CT的状态量当前时刻的监测值作为输入数据,通过长短时记忆神经网络算法的神经网络的遗忘门基于当前时刻输入数据以及上一时刻隐含层的状态,确定保留的输入数据;
通过神经网络的输入门基于当前时刻输入数据以及上一时刻隐含层的状态,确定更新的输入数据;
通过神经网络的输出门基于当前时刻输入数据、上一时刻隐含层的状态以及当前细胞状态,确定输出门的输出结果;
基于输出门的输出结果,确定各状态量的预测值。
优选地,预测分析算法包括极致提升树算法,利用极致提升树算法,计算各状态量的预测值,包括:
S1,选择预设数量的光CT的状态量当前时刻的监测值作为计算训练数据,将计算训练数据中平均目标值作为初始预测值;
S2,计算初始预测值与实际目标值之间的残差;
S3,基于极致提升树算法迭代训练多个决策树,训练出的决策树用于拟合当前的残差;
S4,将每个决策树的预测结果与初始预测值相加,获取各状态量的预测值;
S5,基于预测值,重复执行步骤S2至S4,直至残差满足预设的阈值,获取各状态量的预测值。
优选地,基于光CT的监测值、预测值,确定光CT的状态分类,包括:
确定光CT的状态量的阈值,包括:正常值、预警值和告警值;光CT的状态分类为正常级、监视级、预警级和告警级;其中,正常级表示光CT的状态分类为正常,监视级、预警级和告警级表示光CT的状态分类为异常;
当光CT的监测值和预测值都在正常值范围内并且没有超过预警值和告警值时,光CT的状态分类为正常级;
当光CT的监测值在正常值范围内,光CT的预测值达到预警值或告警值时,光CT的状态分类为监视级;
当光CT的监测值已超过预警值但未达到告警值,光CT的状态分类为预警级;
当光CT的监测值已超过告警值,光CT的状态分类为告警级。
本发明通过光CT的预测分析算法实现方案。
利用光CT的原始数据,开展中间数据计算,包括各状态量分析的过程值和预测值。
光CT过程值:实时值,最大、最小值、平均值、变化率、标准差等。
光CT预测值:为基于采集的当前或历史的状态量数据,利用智能分析算法,计算得到的预测值。本发明提出的预测算法为基于长短时记忆神经网络(LSTM)、极致提升树(XGBoost)和的运行状态智能预测算法:
a)光CT预测模型建立
若试品当前处于第t时间步,此时已知试品的n个关键状态量,将状态量作为输入,输入到状态量预测模块/>中,预测得到t+1时刻的状态量/>,然后再根据后k时刻的状态量集/>和预测的比差集合作为比差预测模块/>的训练集,对其进行M次迭代训练,得到当前步最终估计模型。
b)光CT预测算法训练流程,如图7所示。
时间步t=0,状态量=/>,比差集合/>,由于比差无法直接获知,于是初始时设定比差/>。
预测下一时刻t+1步试品的状态量。
根据t时间步的状态量,通过状态量预测模块/>,分别预测得到下一时刻t+1步的状态量值/>。
更新状态量预测模块。
通过最小化预测状态量和真实状态量的/>差来反向更新状态量预测模块参数/>,见公式(3):
(3)
更新下一时刻t+1步比差预测模块并预测试品比差值。
将后K时刻状态量集和比差集/>作为比差预测模块/>的训练集,进行M次迭代训练后得到更新后的新模型,并将步骤2中预测得到的状态量/>作为输入,预测得到下一时刻比差值/>。
c)LSTM算法
c.1)决定丢弃信息
这个决定通过一个称为遗忘门层完成。该门会读取和/>,输出一个在0到1之间的数值给每个在细胞状态/>中的数字。1表示“完全保留”,0 表示“完全舍弃”。 遗忘门/>表示遗忘上一层隐藏细胞状态的概率。
c.2)确定存放在细胞状态中的新信息
sigmoid层输入门决定将要更新什么值,/>是Sigmoid激活函数,tanh层候选门创建新的候选值向量/>,tanh是激活函数,然后两者相乘去更新细胞状态。
c.3)更新旧细胞状态
更新为/>,旧状态与/>相乘,丢弃需要丢弃的信息,接着加上/>。记忆单元新的候选值/>,根据更新每个状态的程度进行变化。
c.4)确定输出值
输出值基于细胞状态,为过滤后的值。运行sigmoid层输出门来确定细胞状态的输出值;细胞状态通过tanh进行处理,得到-1~1之间的值,并将它和sigmoid门的输出相乘,最终输出/>。
原始数据集中的有效数据子集的67%输入网络中用于训练网络,剩余的33%用于测试网络预测准确度。
将测试集导入训练好的网络,验证网络的泛化能力,评估最终网络模型。网络最终的预测输出记为,使用平均绝对误差(MAE)来评判网络,其计算规则如式(4)所示:
(4)
式中:y i 为预测的目标值;n samples为输入样本的数量。
d)XGBoost算法
以下的训练集S对应状态量集中的一种状态量,即对K个不同状态量进行预测需要进行K次训练流程,从而为每个状态量训练相应的预测模块。
某状态量在各个时间段的值对(训练集样本)S:
(5)/>
记为:
(6)
损失函数L:
(7)
最大迭代次数T,输出预测模型f(x):
初始化模型:
(8)
对迭代轮数t=1,2,...,T有:
对样本i=1,2,...,m,计算负梯度:
(9)
对于,选择任意的切分点s将区域D分成R 1、R 2,然后求解式(10):
(10)
选择使得R 1与R 2的均方差和最小的切分点s。
用选定的(j,s)划分区域,并决定相应的输出:
(11)
对两个子区域重复公式(10)~(11),直到满足终止条件。
最终,将输入的空间划分为M个区域,集合得到t时刻的一颗回归树。
对于每一个区域(叶子节点)R tm里的样本我们求出使损失函数最小,也就是拟合叶子节点最好的的输出值v tm如下:
(12)
从而得到本轮的决策树拟合函数h t(x)如下:
(13)
更新模型f t(x):
(14)
得到最终的模型f T(x):
(15)
e)预测算法的选择
XGBoost算法用于实现15分钟至1天的短期预测,LSTM算法用于实现30天~1年的长期预测。
本发明利用XGBoost算法的预测原理:
步骤1,初始预测:XGBoost开始时,通过计算训练数据中样本的平均目标值(或使用全局平均值)作为初始预测值。
步骤2,残差计算:计算初始预测值与实际目标值之间的残差。初始残差等于实际目标值减去初始预测值。
步骤3,弱学习器训练和预测:XGBoost使用梯度提升算法,迭代地训练多个弱学习器(决策树)。每一轮迭代,它训练一个新的决策树来拟合当前残差。
步骤4,预测累加:将每个弱学习器的预测结果与初始预测值相加,得到最终的预测结果。
步骤5,重复迭代:通过重复执行第2到第4步,不断减少残差,迭代地训练更多的弱学习器并更新预测结果。每个新的弱学习器都会尝试纠正前面弱学习器的错误。
预测步骤:
1. 数据准备: 准备训练数据集和测试数据集,其中训练数据集包含历史时间序列数据的特征和目标值,测试数据集包含待预测的时间序列数据的特征。
2. 特征工程: 进行必要的特征工程处理,包括处理缺失值、特征缩放、滞后变量创建等。确保测试数据集的特征处理方式与训练数据集一致。
3. 模型训练: 使用训练数据集训练XGBoost模型。在XGBoost中,时间序列数据可以作为输入特征,而目标值则是我们要预测的值。
4. 模型调优: 对XGBoost模型进行调优,通过调整超参数、设置早停策略、使用交叉验证等方法,选择最佳的模型参数。
5. 预测生成: 将待预测的时间序列数据(测试数据集)提供给已经训练好的XGBoost模型。
6. 迭代预测: 对于每个时间步,XGBoost模型会利用历史时间步的特征值进行预测。首先,使用模型对历史时间步的特征进行预测,得到初始预测值。然后,将这些预测值用作下一个时间步的输入特征,并继续进行预测。这样就可以逐步迭代地生成未来时间步的预测值。
7. 获取预测结果: 完成预测后,可以从模型中获取生成的预测结果,这些结果对应于未来时间步的目标值或待预测值。
步骤103:基于光CT的监测值、预测值,确定光CT的状态分类;
步骤104:当光CT的状态分类为异常时,利用异常辨识识别算法,识别光CT的异常特征;
步骤105:将识别出的光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定光CT的故障类型。
本发明中光CT的状态量阈值分为三类:正常值、预警值和告警值。
根据实时监测值和预测值所在的区间范围划分为正常、监视级、预警级和告警级四种风险等级。
a)正常表示光CT的实时监测值和预测值在正常范围内,未超过预警和告警限值,设备正常工作;
b)监视级表示光CT的实时监测值在正常范围内,但预测值达到预警或告警值;
c)预警级表示光CT实时监测值超过预警值,但未达到告警值;
d)告警级表示光CT实时监测值已超过告警值。
本发明中光CT的异常状态辨识算法模块的启动逻辑为:根据状态分析数据接口模块的风险等级划分结果,当光CT正常时不启动;当光CT为监视级、预警级和告警级时启动。
本发明中异常辨识算法提供异常特征类型,包括状态量的阈值超限异常、变化率异常、预测值超限三类,并对异常特征库进行编号。
状态量的变化率异常包括:LED驱动电流类:逐渐增大、突变、波动、减小;光强类:波动、增大;误差:突变、超差;调制电压:波动、增大;TEC温度:偏离。
预测值超限:预测值超过预警值、预测值超过告警值;
对每台异常光CT进行异常特征库的匹配,如符合异常状态分类,即判定故障类型;对于无法匹配的故障类型或匹配的类型不唯一时,可根据故障特征匹配的程度,以及同类型、同厂家的家族故障率,按优先级匹配故障类型,并给出可信概率。
优选地,还包括:
将光CT的监测值存储于第一存储单元,将预测值存储于第二存储单元;第一存储单元与第二存储单元通过接口进行数据交互。
优选地,第一存储单元包括:设备及测点模型接口以及实时监测数据接口;
设备及测点模型接口,设备及测点模型接口用于获取光CT的设备台帐信息以及光CT对应的测点模型信息;
实时监测数据接口,实时监测数据接口用于获取换流站公共平台的监测值;
第二存储单元单元包括:状态分析数据接口、诊断分析数据接口、预测分析算法接口以及异常辨识算法接口;
状态分析数据接口,用于向换流站公共平台发送光CT的监测值;
诊断分析数据接口,用于向换流站公共平台发送故障类型信息;
预测分析算法接口,用于提供光CT的预测分析算法;
异常辨识算法接口,用于向状态分析数据接口以及诊断分析数据接口提供光CT的异常状态的判据、异常辨识识别算法以及故障分类算法。
本发明提出一种采用基于Spring-MVC和Vue Component的前后端分离的实时数据交互接口的系统数据架构设计方案,采用前后端、智能算法的解耦设计,系统处理架构如图4所示:
a)设备测点及模型接口
设备测点及模型接口用于从换流站公共平台中获取光CT设备台账信息以及设备对应的测点模型信息,同时具备向换流站公共平台中推送新增的光CT设备台账及测点模型信息。
b)实时监测数据接口
实时监测数据接口能够向换流站公共平台中获取实时监测数据信息,并具备向换流站公共平台中推送和更新监测数据信息。
c)状态分析数据接口
用于向换流站公共平台中推送光CT关键监测数据、对比分析结果等信息。
d)诊断分析数据接口
用于向换流站公共平台中推送光CT故障类型、故障部位、处置方案等信息。
e)预测分析算法接口
用于向状态分析数据接口提供光CT的预测评估算法,包括短期预测和长期预测算法。
f)异常辨识算法接口
用于向状态分析数据接口和诊断分析数据接口提供光CT异常状态的判据、故障特征辨识方法,故障分类算法等信息。如图5所示。
前后端分离数据架构的实现方案结构如图6:
本发明采用Vue Component(Vue组件)技术,将换流站光CT智能运维业务场景中光CT设备封装为独立组件,为系统模板每一个插槽确定唯一标识,通过拖拽的方式确定组件与插槽的对应关系,组态生成页面。
优选地,光CT的异常特征,包括:状态量的阈值超限异常、状态量的变化率异常以及预测值超限异常。
优选地,当光CT的状态分类为异常时,还包括:
基于部件级三维模型对光CT的故障进行定位;部件级三维模型包括:光纤传感环、光纤绝缘子以及电子机箱。
本发明提供基于三维模型的光CT运行状态可视化展示及异常诊断方案。本发明利用三维模型实现光CT状态信息可视化,自动生成诊断分析报告,提出设备运维决策方法和策略。
a)根据上述提出的异常状态辨识及分类,对于正常状态的光CT,呈现关键状态量的可视化展示,可视化展示内容包括:
运行检测数据可视化:运行数据、状态量信息和环境数据;
状态分析结果可视化:数据统计结果、变化曲线、趋势判断、预测结果和风险评估等级等状态分析结果;
故障诊断信息可视化:故障模块定位、故障类型和故障处置策略展示等;
b)对于运行状态异常的光CT(包括监视级、预警级和告警级),依托部件级三维模型实现设备部件级的故障定位,部件级三维模型包括:光纤传感环、光纤绝缘子、电子机箱(采集模块、光路模块)。
呈现的综合展示设备关键数据图表,分析故障类型,提出分析结论和处置措施:
c)对于异常状态的光CT,关联设备台账、故障诊断结果信息,利用图表呈现诊断分析关键过程,供运维处置决策建议,自动生成word或pdf格式的诊断报告;光CT异常状态诊断报告。
本发明明确了光CT异常状态辨识所需的关键状态量;本发明提出基于Spring-MVC和WebSocket的前后端分离的实时数据交互接口,优化状态信息和智能算法的数据处理架构,解决海量数据处理及响应速度的兼容难题;实现基于三维模型的设备状态可视化,前后端、智能算法解耦设计,预留换流站、省公司和总部的多级协同贯通接口,为用户提供便捷的迭代升级方案;本发明提出的基于长短时记忆神经网络(LSTM)和极致提升树(XGBoost)的运行状态智能预警算法,利用计量所积累的大量试验检测数据、设备运行数据及故障案例数据进行训练和测试,在算法准确性和有效性方面显著提升;本发明通过综合运行数据和预测数据分析结果,建立正常、监视、告警和故障四级差异化运维策略,建立典型故障与关键状态参量变化特征的关联关系,实现故障类型的智能判定和定位,结合典型故障案例的分析研判结论,为运维人员提供准确有效的运维决策建议;本发明采集光CT关键运行数据、环境数据及状态量监测数据等基础数据,并通过状态分析、诊断分析等功能模块获取设备运行的关键数据分析结果,为设备运行状态的呈现提供了丰富的数据、图表信息。
本发明的换流站光CT异常状态辨识系统(软件平台)的海量数据处理及响应速度提升是通过前后端分离的数据架构设计实现,后端采用Spring-MVC,前端采用VueComponent。
本发明的后端数据架构采用多级数据库设计方案,第一级数据库为基础数据库,为从换流站平台获取的一次电流、状态量(6种)和环境温度共8种实时监测数据,以及设备、测点的标识信息;第二级数据库为中间数据库,为从基础数据库获取的原始数据,根据中间数据库的算法得到的计算值;
本发明的中间数据库采用数据接口和算法接口的解耦设计方案,算法接口包括预测分析算法接口和异常辨识算法接口,数据接口包括状态分析数据接口和诊断分析数据接口;
本发明的前端数据架构的实现方案是将每台光CT封装为独立组件,对系统模板中的每个插槽赋予唯一标识,通过拖拽的方式确定组件与插槽的对应关系,组态生成页面;
本发明的后端数据接口和算法接口采用响应式和请求式结合的接口交互方式,响应式接口交互方式为Websocket,请求式接口交互方式为Restful;
本发明的后端对外接口服务与前端VUE界面服务的数据交互采用的请求式的交互方式Restful。
本发明的预测分析算法、异常辨识算法为相互独立设计的算法模块,从基础数据库获取的原始数据为模块输入,分析、辨识结果为模块输出;当输入和输出的类型不变时,算法的升级不影响其它模块的功能。
本发明的光CT的预测分析算法的输入为光CT的状态量,采用长短时记忆神经网络(LSTM)和极致提升树(XGBoost)的联合算法,其中LSTM用于30天~1年的长期预测,XGBoost用于15分钟~1天的短期预测,算法的输出为光CT状态量的预测值。
本发明的光CT的风险等级是根据光CT状态量的实时监测数据和状态量的预测值所在的状态量的区间范围判定的。状态量阈值分为正常值、预警值和告警值三类,根据光CT状态量的实时监测值和预测值,将光CT的风险等级分为正常、监视级、预警级和告警级四种,其中监视级、预警级和告警级为三种不同等级的异常状态;
本发明的光CT的异常状态辨识算法模块根据风险等级的判定结果启动,正常时不启动,监视级、预警级和告警级时启动。异常辨识算法通过特征类型匹配异常类型,包括状态量的阈值超限异常、变化率异常、预测值超限三类。对每种异常特征赋予唯一的特征编号,建立异常类型和异常特征的对应关系,即根据光CT符合的异常特征的数量,匹配判定异常类型;无法匹配的故障类型或匹配的类型不唯一时,可根据故障特征匹配的程度,以及同类型、同厂家的家族故障率,按优先级匹配故障类型,并给出可信概率,提高异常判定的准确性和实用性;
本发明的状态量的变化率异常包括:LED驱动电流类:逐渐增大、突变、波动、减小;光强类:波动、增大;误差:突变、超差;调制电压:波动、增大;TEC温度:偏离;
本发明的光CT的故障定位通过三维模型的方式进行可视化展示,根据异常类型确定故障点,并在三维模型上通过闪烁的方式进行标识。
图8为根据本发明优选实施方式的一种换流站光CT异常状态智能辨识系统结构图。
如图8所示,本发明提供一种换流站光CT异常状态智能辨识系统,预测分析算法系统包括:
初始单元801,用于基于光CT的类型,确定预测分析算法光CT的状态量;
预测单元802,用于基于预测分析算法光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;
分类单元803,用于基于预测分析算法光CT的监测值、预测值,确定预测分析算法光CT的状态分类;
识别单元804,用于当预测分析算法光CT的状态分类为异常时,利用异常辨识识别算法,识别预测分析算法光CT的异常特征;
确定单元805,用于将识别出的预测分析算法光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定预测分析算法光CT的故障类型。
优选地,系统还包括建立单元,用于:
将预测分析算法光CT的监测值存储于第一存储单元,将预测分析算法预测值存储于第二存储单元;预测分析算法第一存储单元与预测分析算法第二存储单元通过接口进行数据交互。
优选地,预测分析算法第一存储单元包括:设备及测点模型接口以及实时监测数据接口;
设备及测点模型接口,预测分析算法设备及测点模型接口用于获取预测分析算法光CT的设备台帐信息以及预测分析算法光CT对应的测点模型信息;
实时监测数据接口,预测分析算法实时监测数据接口用于获取换流站公共平台的监测值;
预测分析算法第二存储单元单元包括:状态分析数据接口、诊断分析数据接口、预测分析算法接口以及异常辨识算法接口;
预测分析算法状态分析数据接口,用于向预测分析算法换流站公共平台发送预测分析算法光CT的监测值;
预测分析算法诊断分析数据接口,用于向预测分析算法换流站公共平台发送故障类型信息;
预测分析算法预测分析算法接口,用于提供预测分析算法光CT的预测分析算法;
预测分析算法异常辨识算法接口,用于向状态分析数据接口以及诊断分析数据接口提供预测分析算法光CT的异常状态的判据、异常辨识识别算法以及故障分类算法。
优选地,预测分析算法预测分析算法包括长短时记忆神经网络算法,利用长短时记忆神经网络算法,计算各状态量的预测值,包括:
将预测分析算法光CT的状态量当前时刻的监测值作为输入数据,通过长短时记忆神经网络算法的神经网络的遗忘门基于当前时刻输入数据以及上一时刻隐含层的状态,确定保留的输入数据;
通过神经网络的输入门基于当前时刻输入数据以及上一时刻隐含层的状态,确定更新的输入数据;
通过神经网络的输出门基于当前时刻输入数据、上一时刻隐含层的状态以及当前细胞状态,确定输出门的输出结果;
基于预测分析算法输出门的输出结果,确定各状态量的预测值。
优选地,预测分析算法预测分析算法包括极致提升树算法,利用极致提升树算法,计算各状态量的预测值,包括:
S1,选择预设数量的预测分析算法光CT的状态量当前时刻的监测值作为计算训练数据,将预测分析算法计算训练数据中平均目标值作为初始预测值;
S2,计算预测分析算法初始预测值与实际目标值之间的残差;
S3,基于极致提升树算法迭代训练多个决策树,训练出的决策树用于拟合当前的残差;
S4,将每个决策树的预测结果与初始预测值相加,获取各状态量的预测值;
S5,基于预测分析算法预测值,计算预测分析算法预测值与实际目标值之间的残差,重复执行步骤S2至S4,直至残差满足预设的阈值,获取各状态量的预测值。
优选地,预测分析算法分类单元,用于基于预测分析算法光CT的监测值、预测值,确定预测分析算法光CT的状态分类,还用于:
确定光CT的状态量的阈值,包括:正常值、预警值和告警值;预测分析算法光CT的状态分类为正常级、监视级、预警级和告警级;其中,正常级表示光CT的状态分类为正常,监视级、预警级和告警级表示光CT的状态分类为异常;
当预测分析算法光CT的监测值和预测值都在正常值范围内并且没有超过预警值和告警值时,预测分析算法光CT的状态分类为正常级;
当预测分析算法光CT的监测值在正常值范围内,预测分析算法光CT的预测值达到预警值或告警值时,预测分析算法光CT的状态分类为监视级;
当预测分析算法光CT的监测值已超过预警值但未达到预测分析算法告警值,预测分析算法光CT的状态分类为预警级;
当预测分析算法光CT的监测值已超过预测分析算法告警值,预测分析算法光CT的状态分类为告警级。
优选地,预测分析算法光CT的异常特征,包括:状态量的阈值超限异常、状态量的变化率异常以及预测值超限异常。
优选地,当预测分析算法光CT的状态分类为异常时,还包括:
基于部件级三维模型对预测分析算法光CT的故障进行定位;预测分析算法部件级三维模型包括:光纤传感环、光纤绝缘子以及电子机箱。
本发明提供一种计算机可读存储介质,预测分析算法计算机可读存储介质存储有计算机程序,预测分析算法计算机程序用于执行一种换流站光CT异常状态智能辨识的方法。
本发明提供一种电子设备,预测分析算法电子设备包括:处理器和存储器;其中,
预测分析算法存储器,用于存储预测分析算法处理器可执行指令的存储器;
预测分析算法处理器,用于从预测分析算法存储器中读取预测分析算法可执行指令,并执行预测分析算法指令以实现一种换流站光CT异常状态智能辨识的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (18)
1.一种换流站光CT异常状态智能辨识方法,所述方法包括:
基于光CT的类型,确定所述光CT的状态量;
基于所述光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;
基于所述光CT的监测值、预测值,确定所述光CT的状态分类;
当所述光CT的状态分类为异常时,利用异常辨识识别算法,识别所述光CT的异常特征;
将识别出的所述光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定所述光CT的故障类型。
2.根据权利要求1所述的方法,还包括:
将所述光CT的监测值存储于第一存储单元,将所述预测值存储于第二存储单元;所述第一存储单元与所述第二存储单元通过接口进行数据交互。
3.根据权利要求2所述的方法,所述第一存储单元包括:设备及测点模型接口以及实时监测数据接口;
设备及测点模型接口,所述设备及测点模型接口用于获取所述光CT的设备台帐信息以及所述光CT对应的测点模型信息;
实时监测数据接口,所述实时监测数据接口用于获取换流站公共平台的监测值;
所述第二存储单元单元包括:状态分析数据接口、诊断分析数据接口、预测分析算法接口以及异常辨识算法接口;
所述状态分析数据接口,用于向所述换流站公共平台发送所述光CT的监测值;
所述诊断分析数据接口,用于向所述换流站公共平台发送故障类型信息;
所述预测分析算法接口,用于提供所述光CT的预测分析算法;
所述异常辨识算法接口,用于向状态分析数据接口以及诊断分析数据接口提供所述光CT的异常状态的判据、异常辨识识别算法以及故障分类算法。
4.根据权利要求1所述的方法,所述预测分析算法包括长短时记忆神经网络算法,利用长短时记忆神经网络算法,计算各状态量的预测值,包括:
将所述光CT的状态量当前时刻的监测值作为输入数据,通过长短时记忆神经网络算法的神经网络的遗忘门基于当前时刻输入数据以及上一时刻隐含层的状态,确定保留的输入数据;
通过神经网络的输入门基于当前时刻输入数据以及上一时刻隐含层的状态,确定更新的输入数据;
通过神经网络的输出门基于当前时刻输入数据、上一时刻隐含层的状态以及当前细胞状态,确定输出门的输出结果;
基于所述输出门的输出结果,确定各状态量的预测值。
5.根据权利要求1所述的方法,所述预测分析算法包括极致提升树算法,利用极致提升树算法,计算各状态量的预测值,包括:
S1,选择预设数量的所述光CT的状态量当前时刻的监测值作为计算训练数据,将所述计算训练数据中平均目标值作为初始预测值;
S2,计算所述初始预测值与实际目标值之间的残差;
S3,基于极致提升树算法迭代训练多个决策树,训练出的决策树用于拟合当前的残差;
S4,将每个决策树的预测结果与初始预测值相加,获取各状态量的预测值;
S5,基于所述预测值,计算所述预测值与实际目标值之间的残差,重复执行步骤S2至S4,直至残差满足预设的阈值,获取各状态量的预测值。
6.根据权利要求1所述的方法,所述基于所述光CT的监测值、预测值,确定所述光CT的状态分类,包括:
确定光CT的状态量的阈值,包括:正常值、预警值和告警值;所述光CT的状态分类为正常级、监视级、预警级和告警级;其中,正常级表示光CT的状态分类为正常,监视级、预警级和告警级表示光CT的状态分类为异常;
当所述光CT的监测值和预测值都在正常值范围内并且没有超过预警值和告警值时,所述光CT的状态分类为正常级;
当所述光CT的监测值在正常值范围内,所述光CT的预测值达到预警值或告警值时,所述光CT的状态分类为监视级;
当所述光CT的监测值已超过预警值但未达到所述告警值,所述光CT的状态分类为预警级;
当所述光CT的监测值已超过所述告警值,所述光CT的状态分类为告警级。
7.根据权利要求1所述的方法,所述光CT的异常特征,包括:状态量的阈值超限异常、状态量的变化率异常以及预测值超限异常。
8.根据权利要求1所述的方法,当所述光CT的状态分类为异常时,还包括:
基于部件级三维模型对所述光CT的故障进行定位;所述部件级三维模型包括:光纤传感环、光纤绝缘子以及电子机箱。
9.一种换流站光CT异常状态智能辨识系统,所述系统包括:
初始单元,用于基于光CT的类型,确定所述光CT的状态量;
预测单元,用于基于所述光CT的状态量当前时刻的监测值,利用预测分析算法,计算各状态量的预测值;
分类单元,用于基于所述光CT的监测值、预测值,确定所述光CT的状态分类;
识别单元,用于当所述光CT的状态分类为异常时,利用异常辨识识别算法,识别所述光CT的异常特征;
确定单元,用于将识别出的所述光CT的异常特征与异常特征库中的异常特征进行匹配,基于匹配结果,确定所述光CT的故障类型。
10.根据权利要求9所述的系统,还包括建立单元,用于:
将所述光CT的监测值存储于第一存储单元,将所述预测值存储于第二存储单元;所述第一存储单元与所述第二存储单元通过接口进行数据交互。
11.根据权利要求10所述的系统,所述第一存储单元包括:设备及测点模型接口以及实时监测数据接口;
设备及测点模型接口,所述设备及测点模型接口用于获取所述光CT的设备台帐信息以及所述光CT对应的测点模型信息;
实时监测数据接口,所述实时监测数据接口用于获取换流站公共平台的监测值;
所述第二存储单元单元包括:状态分析数据接口、诊断分析数据接口、预测分析算法接口以及异常辨识算法接口;
所述状态分析数据接口,用于向所述换流站公共平台发送所述光CT的监测值;
所述诊断分析数据接口,用于向所述换流站公共平台发送故障类型信息;
所述预测分析算法接口,用于提供所述光CT的预测分析算法;
所述异常辨识算法接口,用于向状态分析数据接口以及诊断分析数据接口提供所述光CT的异常状态的判据、异常辨识识别算法以及故障分类算法。
12.根据权利要求9所述的系统,所述预测分析算法包括长短时记忆神经网络算法,利用长短时记忆神经网络算法,计算各状态量的预测值,包括:
将所述光CT的状态量当前时刻的监测值作为输入数据,通过长短时记忆神经网络算法的神经网络的遗忘门基于当前时刻输入数据以及上一时刻隐含层的状态,确定保留的输入数据;
通过神经网络的输入门基于当前时刻输入数据以及上一时刻隐含层的状态,确定更新的输入数据;
通过神经网络的输出门基于当前时刻输入数据、上一时刻隐含层的状态以及当前细胞状态,确定输出门的输出结果;
基于所述输出门的输出结果,确定各状态量的预测值。
13.根据权利要求9所述的系统,所述预测分析算法包括极致提升树算法,利用极致提升树算法,计算各状态量的预测值,包括:
S1,选择预设数量的所述光CT的状态量当前时刻的监测值作为计算训练数据,将所述计算训练数据中平均目标值作为初始预测值;
S2,计算所述初始预测值与实际目标值之间的残差;
S3,基于极致提升树算法迭代训练多个决策树,训练出的决策树用于拟合当前的残差;
S4,将每个决策树的预测结果与初始预测值相加,获取各状态量的预测值;
S5,基于所述预测值,计算所述预测值与实际目标值之间的残差,重复执行步骤S2至S4,直至残差满足预设的阈值,获取各状态量的预测值。
14.根据权利要求9所述的系统,所述分类单元,用于基于所述光CT的监测值、预测值,确定所述光CT的状态分类,还用于:
确定光CT的状态量的阈值,包括:正常值、预警值和告警值;所述光CT的状态分类为正常级、监视级、预警级和告警级;其中,正常级表示光CT的状态分类为正常,监视级、预警级和告警级表示光CT的状态分类为异常;
当所述光CT的监测值和预测值都在正常值范围内并且没有超过预警值和告警值时,所述光CT的状态分类为正常级;
当所述光CT的监测值在正常值范围内,所述光CT的预测值达到预警值或告警值时,所述光CT的状态分类为监视级;
当所述光CT的监测值已超过预警值但未达到所述告警值,所述光CT的状态分类为预警级;
当所述光CT的监测值已超过所述告警值,所述光CT的状态分类为告警级。
15.根据权利要求14所述的系统,所述光CT的异常特征,包括:状态量的阈值超限异常、状态量的变化率异常以及预测值超限异常。
16.根据权利要求9所述的系统,当所述光CT的状态分类为异常时,还包括:
基于部件级三维模型对所述光CT的故障进行定位;所述部件级三维模型包括:光纤传感环、光纤绝缘子以及电子机箱。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于执行权利要求1-8中任一项所述的方法。
18.一种电子设备,其特征在于,所述电子设备包括:处理器和存储器;其中,
所述存储器,用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786232.3A CN116502156B (zh) | 2023-06-30 | 2023-06-30 | 一种换流站光ct异常状态智能辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786232.3A CN116502156B (zh) | 2023-06-30 | 2023-06-30 | 一种换流站光ct异常状态智能辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502156A true CN116502156A (zh) | 2023-07-28 |
CN116502156B CN116502156B (zh) | 2023-09-08 |
Family
ID=87328909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310786232.3A Active CN116502156B (zh) | 2023-06-30 | 2023-06-30 | 一种换流站光ct异常状态智能辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502156B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209148784U (zh) * | 2018-10-10 | 2019-07-23 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种换流站光测量系统远端模块运行状态检测装置 |
CN111539550A (zh) * | 2020-03-13 | 2020-08-14 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN112148722A (zh) * | 2020-10-14 | 2020-12-29 | 四川长虹电器股份有限公司 | 一种监测数据异常的识别及处理方法和系统 |
CN112162228A (zh) * | 2020-09-14 | 2021-01-01 | 国网江苏省电力有限公司电力科学研究院 | 适用于光纤电流传感器的故障预警系统 |
CN112444698A (zh) * | 2020-11-17 | 2021-03-05 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种特高压直流输电系统电气量测量异常检测方法 |
CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
WO2021109578A1 (zh) * | 2019-12-02 | 2021-06-10 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
US20210287515A1 (en) * | 2016-08-29 | 2021-09-16 | Korea Hydro & Nuclear Power Co., Ltd | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor |
CN116299129A (zh) * | 2022-11-25 | 2023-06-23 | 中国电力科学研究院有限公司 | 一种全光纤电流互感器状态检测分析方法、装置及介质 |
-
2023
- 2023-06-30 CN CN202310786232.3A patent/CN116502156B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210287515A1 (en) * | 2016-08-29 | 2021-09-16 | Korea Hydro & Nuclear Power Co., Ltd | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor |
CN209148784U (zh) * | 2018-10-10 | 2019-07-23 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种换流站光测量系统远端模块运行状态检测装置 |
WO2021109578A1 (zh) * | 2019-12-02 | 2021-06-10 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
CN111539550A (zh) * | 2020-03-13 | 2020-08-14 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN112162228A (zh) * | 2020-09-14 | 2021-01-01 | 国网江苏省电力有限公司电力科学研究院 | 适用于光纤电流传感器的故障预警系统 |
CN112148722A (zh) * | 2020-10-14 | 2020-12-29 | 四川长虹电器股份有限公司 | 一种监测数据异常的识别及处理方法和系统 |
CN112444698A (zh) * | 2020-11-17 | 2021-03-05 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种特高压直流输电系统电气量测量异常检测方法 |
CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
CN116299129A (zh) * | 2022-11-25 | 2023-06-23 | 中国电力科学研究院有限公司 | 一种全光纤电流互感器状态检测分析方法、装置及介质 |
Non-Patent Citations (2)
Title |
---|
Y LEI 等: "Fault analysis of optical CT breakage at HVDC converter station", 《THE 16TH INTERNATIONAL CONFERENCE ON AC AND DC POWER TRANSMISSON(ACDC 2020)》, pages 1612 - 1617 * |
王嘉毅 等: "换流站交流滤波场高端光CT异常态故障诊断", 《电工电气》, no. 1, pages 54 - 49 * |
Also Published As
Publication number | Publication date |
---|---|
CN116502156B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
CN110647539B (zh) | 一种用于车辆故障的预测方法和系统 | |
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN103154845A (zh) | 电网的机器学习 | |
CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN116433045A (zh) | 一种电力应急物资的精准供应管理方法及系统 | |
CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及系统 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN117521498A (zh) | 一种充电桩引导式故障诊断预测方法及系统 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN109889258B (zh) | 一种光网络故障校验方法和设备 | |
CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 | |
CN115310693A (zh) | 一种综合能源数据清洗方法、系统、设备和介质 | |
CN112327096B (zh) | 一种基于自适应策略的故障诊断信息融合方法及装置 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
CN116488352B (zh) | 用于储能电站的电路安全监测预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |